R koondfunktsioon: võtke kokku & Group_by () Näide

Muutuja kokkuvõte on oluline, et oleks aimu andmete kohta. Ehkki muutuja rühmade kaupa kokkuvõtmine annab andmete levitamise kohta paremat teavet.

Selles õpetuses saate teada, kuidas andmekogumit rühmade kaupa dplyri teegiga kokku võtta.

Selles õpetuses saate teada

• Kokkuvõte ()
• Group_by vs no group_by
• Funktsioon kokkuvõttes ()
• Põhifunktsioon
• Tellimine
• Summa
• Standardhälve
• Minimaalne ja maksimaalne
• Krahv
• Esimene ja viimane
• n-nda vaatluse
• Mitu rühma
• Filtreeri
• Grupeerimine lahti

Selle õpetuse jaoks kasutate löömise andmekogumit. Algne andmekogum sisaldab 102816 vaatlust ja 22 muutujat. Kasutate sellest andmekogumist ainult 20 protsenti ja kasutate järgmisi muutujaid:

• playerID: mängija ID-kood. Faktor
• aasta ID: aasta. Faktor
• teamID: Meeskond. faktor
• lgID: Liiga. Faktor: AA AL FL NL PL UA
• AB: nahkhiirte juures. Numbriline
• G: Mängud: mängija mängude arv. Numbriline
• R: Jookseb. Numbriline
• HR: Homerunid. Numbriline
• SH: Ohverdamise hitid. Numbriline

Enne kokkuvõtte tegemist peate andmete ettevalmistamiseks toimima järgmiselt.

• 1. samm: importige andmed
• 2. samm: valige asjakohased muutujad
• 3. samm: andmete sortimine

library(dplyr)# Step 1data <- read.csv("https://raw.githubusercontent.com/guru99-edu/R-Programming/master/lahman-batting.csv") %> %# Step 2select(c(playerID, yearID, AB, teamID, lgID, G, R, HR, SH)) %> %# Step 3arrange(playerID, teamID, yearID)

Andmekogumi importimisel on hea tava kasutada funktsiooni glimpse (), et saada aimu andmekogumi struktuurist.

# Structure of the dataglimpse(data)

Väljund:

Observations: 104,324Variables: 9$ playerID  aardsda01, aardsda01, aardsda01, aardsda01, aardsda01, a… $ yearID  2015, 2008, 2007, 2006, 2012, 2013, 2009, 2010, 2004, 196… $ AB  1, 1, 0, 2, 0, 0, 0, 0, 0, 603, 600, 606, 547, 516, 495,… $ teamID  ATL, BOS, CHA, CHN, NYA, NYN, SEA, SEA, SFN, ATL, ATL, A… $ lgID  NL, AL, AL, NL, AL, NL, AL, AL, NL, NL, NL, NL, NL, NL,… $ G  33, 47, 25, 45, 1, 43, 73, 53, 11, 158, 155, 160, 147, 15… $ R  0, 0, 0, 0, 0, 0, 0, 0, 0, 117, 113, 84, 100, 103, 95, 75… $ HR  0, 0, 0, 0, 0, 0, 0, 0, 0, 44, 39, 29, 44, 38, 47, 34, 40… $ SH  0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 6,… 

Kokkuvõte ()

Summate () süntaks on põhiline ja kooskõlas teiste dplyri teeki sisalduvate verbidega.

summarise(df, variable_name=condition)arguments:- `df`: Dataset used to construct the summary statistics- `variable_name=condition`: Formula to create the new variable

Vaadake allolevat koodi:

summarise(data, mean_run =mean(R))

Koodi selgitus

• kokku (andmed, keskmine_jooks = keskmine (R)): loob muutuja nimega keskmine_jooks, mis on andmekogumi andmetest veerude keskmine.

Väljund:

## mean_run## 1 19.20114

Saate lisada nii palju muutujaid kui soovite. Tagastate mängitud keskmised mängud ja keskmised ohverduste tabamused.

summarise(data, mean_games = mean(G),mean_SH = mean(SH, na.rm = TRUE))

Koodi selgitus

• keskmine_SH = keskmine (SH, na.rm = TÕENE): võtke kokku teine ​​muutuja. Määrate na.rm = TRUE, kuna veerg SH sisaldab puuduvaid vaatlusi.

Väljund:

## mean_games mean_SH## 1 51.98361 2.340085 

Group_by vs no group_by

Funktsioonil summerise () ilma group_by () pole mingit mõtet. See loob kokkuvõtliku statistika gruppide kaupa. Teek dplyr rakendab funktsiooni grupile, mille tegite verbi group_by kaudu automaatselt.

Pange tähele, et group_by töötab suurepäraselt kõigi teiste tegusõnadega (nt mutate (), filter (), rendez (),…).

Torujuhtmeoperaatorit on mugav kasutada, kui teil on rohkem kui üks samm. Keskmise kodujooksu saate arvutada pesapalliliiga järgi.

data % > %group_by(lgID) % > %summarise(mean_run = mean(HR))

Koodi selgitus

• andmed: andmekogum, mida kasutatakse koondstatistika koostamiseks
• group_by (lgID): arvutage kokkuvõte rühmitades muutuja `lgID
• kokku (keskmine_jooks = keskmine (HR)): arvutage keskmine homerun

Väljund:

### A tibble: 7 x 2## lgID mean_run##  ## 1 AA 0.9166667## 2 AL 3.1270988## 3 FL 1.3131313## 4 NL 2.8595953## 5 PL 2.5789474## 6 UA 0.6216216## 7  0.2867133

Toruoperaator töötab ka ggplotiga (). Kokkuvõtvat statistikat saate graafikuga hõlpsalt näidata. Kõik sammud lükatakse torujuhtme sisse, kuni viinamari on krundiks. Tundub visuaalsem näha keskmist koduprojekti liiga kaupa baarikiviga. Allpool olev kood näitab võimet ühendada rühm_by (), kokkuvõte () ja ggplot () koos.

Teete järgmise sammu:

• 1. samm: valige andmeraam
• 2. samm: rühmitage andmed
• 3. samm: võtke andmed kokku
• 4. samm: koostage kokkuvõtlik statistika

library(ggplot2)# Step 1data % > %#Step 2group_by(lgID) % > %#Step 3summarise(mean_home_run = mean(HR)) % > %#Step 4ggplot(aes(x = lgID, y = mean_home_run, fill = lgID)) +geom_bar(stat = "identity") +theme_classic() +labs(x = "baseball league",y = "Average home run",title = paste("Example group_by() with summarise()"))

Väljund:

Funktsioon kokkuvõttes ()

Tegusõna summarize () ühildub peaaegu kõigi R-i funktsioonidega. Siin on lühike loetelu kasulikest funktsioonidest, mida saate kasutada koos summaga ():

Näeme tabeli 1 kõigi funktsioonide näiteid.

Põhifunktsioon

Eelmises näites ei salvestanud te kokkuvõtvat statistikat andmekaadrisse.

Kokkuvõttest kuupäevaraami loomiseks võite jätkata kahes etapis:

• 1. samm: salvestage andmeraam edasiseks kasutamiseks
• 2. samm: joondiagrammi loomiseks kasutage andmekogumit

1. samm) arvutate mängitud mängude keskmise arvu aasta kaupa.

## Meanex1 <- data % > %group_by(yearID) % > %summarise(mean_game_year = mean(G))head(ex1)

Koodi selgitus

• Vatsutamise andmekogumi kokkuvõtlik statistika on salvestatud andmeraamisse ex1.

Väljund:

## # A tibble: 6 x 2## yearID mean_game_year##  ## 1 1871 23.42308## 2 1872 18.37931## 3 1873 25.61538## 4 1874 39.05263## 5 1875 28.39535## 6 1876 35.90625

Samm 2) Näidate kokkuvõtlikku statistikat koos joonega ja näete trendi.

# Plot the graphggplot(ex1, aes(x = yearID, y = mean_game_year)) +geom_line() +theme_classic() +labs(x = "Year",y = "Average games played",title = paste("Average games played from 1871 to 2016"))

Väljund:

Tellimine

Funktsioon summarize () ühildub alamhulgaga.

## Subsetting + Mediandata % > %group_by(lgID) % > %summarise(median_at_bat_league = median(AB),#Compute the median without the zeromedian_at_bat_league_no_zero = median(AB[AB > 0]))

Koodi selgitus

• mediaan_at_bat_liiga_no_ null = mediaan (AB [AB> 0]): Muutuja AB sisaldab palju 0. Võite võrrelda at nahkhiire muutuja mediaani 0-ga ja ilma.

Väljund:

## # A tibble: 7 x 3## lgID median_at_bat_league median_at_bat_league_no_zero##   ## 1 AA 130 131## 2 AL 38 85## 3 FL 88 97## 4 NL 56 67## 5 PL 238 238## 6 UA 35 35## 7  101 101

Summa

Teine kasulik funktsioon muutuja liitmiseks on summa ().

Saate kontrollida, millistes liigades on rohkem kodujooksu.

## Sumdata % > %group_by(lgID) % > %summarise(sum_homerun_league = sum(HR))

Väljund:

## # A tibble: 7 x 2## lgID sum_homerun_league##  ## 1 AA 341## 2 AL 29426## 3 FL 130## 4 NL 29817## 5 PL 98## 6 UA 46## 7  41

Standardhälve

Andmete levik arvutatakse R-s standardhälbe või sd () abil.

# Spreaddata % > %group_by(teamID) % > %summarise(sd_at_bat_league = sd(HR))

Väljund:

## # A tibble: 148 x 2## teamID sd_at_bat_league##  ## 1 ALT NA## 2 ANA 8.7816395## 3 ARI 6.0765503## 4 ATL 8.5363863## 5 BAL 7.7350173## 6 BFN 1.3645163## 7 BFP 0.4472136## 8 BL1 0.6992059## 9 BL2 1.7106757## 10 BL3 1.0000000## #… with 138 more rows

Iga meeskonna tehtud kodukäigu koguses on palju ebavõrdsust.

Minimaalne ja maksimaalne

Vektori miinimumile ja maksimumile pääseb funktsioonidega min () ja max ().

Allolev kood tagastab mängija mängitud hooaja väikseima ja suurema arvu mängude arvu.

# Min and maxdata % > %group_by(playerID) % > %summarise(min_G = min(G),max_G = max(G))

Väljund:

## # A tibble: 10,395 x 3## playerID min_G max_G##  ## 1 aardsda01 53 73## 2 aaronha01 120 156## 3 aasedo01 24 66## 4 abadfe01 18 18## 5 abadijo01 11 11## 6 abbated01 3 153## 7 abbeybe01 11 11## 8 abbeych01 80 132## 9 abbotgl01 5 23## 10 abbotji01 13 29## #… with 10,385 more rows

Krahv

Loe vaatlusi gruppide kaupa on alati hea mõte. R-ga saate koondada esinemiste arvu n-ga ().

Näiteks arvutab allolev kood iga mängija mängitud aastate arvu.

# count observationsdata % > %group_by(playerID) % > %summarise(number_year = n()) % > %arrange(desc(number_year))

Väljund:

## # A tibble: 10,395 x 2## playerID number_year##  ## 1 pennohe01 11## 2 joosted01 10## 3 mcguide01 10## 4 rosepe01 10## 5 davisha01 9## 6 johnssi01 9## 7 kaatji01 9## 8 keelewi01 9## 9 marshmi01 9## 10 quirkja01 9## #… with 10,385 more rows

Esimene ja viimane

Saate valida rühma esimese, viimase või n-nda positsiooni.

Näiteks leiate iga mängija esimese ja viimase aasta.

# first and lastdata % > %group_by(playerID) % > %summarise(first_appearance = first(yearID),last_appearance = last(yearID))

Väljund:

## # A tibble: 10,395 x 3## playerID first_appearance last_appearance##   ## 1 aardsda01 2009 2010## 2 aaronha01 1973 1975## 3 aasedo01 1986 1990## 4 abadfe01 2016 2016## 5 abadijo01 1875 1875## 6 abbated01 1905 1897## 7 abbeybe01 1894 1894## 8 abbeych01 1895 1897## 9 abbotgl01 1973 1979## 10 abbotji01 1992 1996## #… with 10,385 more rows

n-nda vaatluse

Funktsioon n-s () täiendab esimest () ja viimast (). Tagasipöörduva indeksiga pääsete juurde rühma n-nda vaatluse juurde.

Näiteks saate filtreerida ainult teist aastat, kui meeskond mängis.

# nthdata % > %group_by(teamID) % > %summarise(second_game = nth(yearID, 2)) % > %arrange(second_game)

Väljund:

## # A tibble: 148 x 2## teamID second_game##  ## 1 BS1 1871## 2 CH1 1871## 3 FW1 1871## 4 NY2 1871## 5 RC1 1871## 6 BR1 1872## 7 BR2 1872## 8 CL1 1872## 9 MID 1872## 10 TRO 1872## #… with 138 more rows

Vaatlemise kindel arv

Funktsioon n () tagastab praeguse rühma vaatluste arvu. N-le suletud funktsioon on n_distinct (), mis loeb kordumatute väärtuste arvu.

Järgmises näites liidate kõigi mängijate arvu, kelle meeskond on värvanud kõigi perioodide jooksul.

# distinct valuesdata % > %group_by(teamID) % > %summarise(number_player = n_distinct(playerID)) % > %arrange(desc(number_player))

Koodi selgitus

• group_by (teamID): rühmitage aasta ja meeskonna järgi
• kokkuvõte (number_player = n_distinct (playerID)): loendage mängijate arv meeskonniti
• korralda (desc (number_player)): Sorteeri andmed mängija arvu järgi

Väljund:

## # A tibble: 148 x 2## teamID number_player##  ## 1 CHN 751## 2 SLN 729## 3 PHI 699## 4 PIT 683## 5 CIN 679## 6 BOS 647## 7 CLE 646## 8 CHA 636## 9 DET 623## 10 NYA 612## #… with 138 more rows

Mitu rühma

Kokkuvõtvat statistikat saab realiseerida mitme rühma vahel.

# Multiple groupsdata % > %group_by(yearID, teamID) % > %summarise(mean_games = mean(G)) % > %arrange(desc(teamID, yearID))

Koodi selgitus

• group_by (aasta ID, teamID): rühmitage aasta ja meeskonna järgi
• kokku (keskmine_mängud = keskmine (G)): võtke kokku mängija arv
• korraldama (desc (teamID, yearID)): Sorteeri andmed meeskonna ja aasta järgi

Väljund:

## # A tibble: 2,829 x 3## # Groups: yearID [146]## yearID teamID mean_games##   ## 1 1884 WSU 20.41667## 2 1891 WS9 46.33333## 3 1886 WS8 22.00000## 4 1887 WS8 51.00000## 5 1888 WS8 27.00000## 6 1889 WS8 52.42857## 7 1884 WS7 8.00000## 8 1875 WS6 14.80000## 9 1873 WS5 16.62500## 10 1872 WS4 4.20000## #… with 2,819 more rows 

Filtreeri

Enne toimingu tegemist kavatsete andmekogumi filtreerida. Andmekogum algab 1871. aastast ja analüüs ei vaja 1980. aastale eelnenud aastaid.

# Filterdata % > %filter(yearID > 1980) % > %group_by(yearID) % > %summarise(mean_game_year = mean(G))

Koodi selgitus

• filter (aasta ID> 1980): filtreerige andmed, et näidata ainult asjakohaseid aastaid (st pärast 1980. aastat)
• group_by (aasta ID): rühmitage aasta kaupa
• kokku (keskmine_mängu_aasta = keskmine (G)): võtke andmed kokku

Väljund:

## # A tibble: 36 x 2## yearID mean_game_year##  ## 1 1981 40.64583## 2 1982 56.97790## 3 1983 60.25128## 4 1984 62.97436## 5 1985 57.82828## 6 1986 58.55340## 7 1987 48.74752## 8 1988 52.57282## 9 1989 58.16425## 10 1990 52.91556## #… with 26 more rows

Grupeerimine lahti

Viimaseks, kuid mitte vähem oluliseks, peate enne arvutamise taseme muutmist grupeerimise eemaldama.

# Ungroup the datadata % > %filter(HR > 0) % > %group_by(playerID) % > %summarise(average_HR_game = sum(HR) / sum(G)) % > %ungroup() % > %summarise(total_average_homerun = mean(average_HR_game))

Koodi selgitus

• filter (HR> 0): välistage homerun null
• group_by (playerID): rühm mängija järgi
• kokku (keskmine_HR_mäng = summa (HR) / summa (G)): arvutage mängija järgi keskmine koduvõistlus
• ungroup (): eemaldage grupeerimine
• kokkuvõte (kokku_keskmine_homerun = keskmine (keskmine_HR_mäng)): võtke andmed kokku

Väljund:

## # A tibble: 1 x 1## total_average_homerun## ## 1 0.06882226

Kokkuvõte

Kui soovite kokkuvõtte gruppide kaupa tagastada, võite kasutada järgmist.

# group by X1, X2, X3group(df, X1, X2, X3) 

peate rühmitama andmed järgmisega:

ungroup(df) 

Alltoodud tabel võtab kokku funktsiooni, mille õppisite kokku ()

summarise(df,mean_x1 = mean(x1))

summarise(df,median_x1 = median(x1))

summarise(df,sum_x1 = sum(x1))

summarise(df,sd_x1 = sd(x1))

summarise(df,interquartile_x1 = IQR(x1))

summarise(df,minimum_x1 = min(x1))

summarise(df,maximum_x1 = max(x1))

summarise(df,quantile_x1 = quantile(x1))

summarise(df,first_x1 = first(x1))

summarise(df,last_x1 = last(x1))

summarise(df,nth_x1 = nth(x1, 2))

summarise(df,n_x1 = n(x1))

summarise(df,n_distinct _x1 = n_distinct(x1))